با وجود میلیارد ها دلار صرف شده و چندین دهه تحقیق، شناخت محاسبه در مغز انسان تا حد زیادی به صورت یک رمز و راز باقی مانده است. در همین حال، ما در زمینه توسعه شبکه‌های عصبی مصنوعی گام‌های بلندی برداشته‌ایم، که به گونه‌ای طراحی شده‌اند که از نحوه محاسبه مغزها به راحتی تقلید می‌کنند. ما در مورد ماهیت محاسبات عصبی از این مغزهای مصنوعی چیزهای زیادی آموخته‌ایم و زمان آن رسیده است که آن چه را که آموخته‌ایم استفاده کنیم و آن را دو باره به موارد بیولوژیکی اعمال کنیم.
بیماری‌های عصبی در سراسر جهان رو به افزایش است، و این درک بهتر محاسبات در مغز را یک مسئله اساسی می‌کند. با توجه به توانایی شبکه‌های عصبی مصنوعی مدرن برای حل مسائل پیچیده، چارچوبی برای علوم اعصاب هدایت شده توسط بینش‌های یاد گیری ماشین ممکن است رازهای ارزشمندی را در مورد مغز خودمان و نحوه بد عمل کردن آن بگشاید.
افکار و رفتارهای ما توسط محاسباتی که در مغز ما اتفاق می‌افتد تولید می‌شود. برای درمان مؤثر اختلالات عصبی که باعث تغییر افکار و رفتارهای ما می‌شود، مانند اسکیزوفرنی یا افسردگی، ما احتمالاً باید درک کنیم که چگونه محاسبات در مغز اشتباه می‌شوند.
با این حال، درک محاسبات عصبی ثابت کرده است که یک چالش بسیار دشوار است. هنگامی که دانشمندان علوم اعصاب فعالیت در مغز را ثبت می‌کنند، غالبا غیر قابل توصیف است.
در مقاله ای که در Nature Neuroscience منتشر شده است، من و همکاران من معتقدیم که درس‌هایی که از شبکه‌های عصبی مصنوعی آموخته‌ایم می‌تواند ما را به سمت مجموعه‌ای از سلول‌های غیر قابل کشف و در مسیر درست درک مغز به عنوان یک سیستم محاسباتی راهنمایی کند.
مدل‌های شبکه مغز
شبکه‌های عصبی مصنوعی مدل‌هایی محاسباتی هستند که به طور آزادانه از خصوصیات ادغام و فعال سازی نورون‌های واقعی تقلید می‌کنند. آنها در زمینه هوش مصنوعی همه گیر شده‌اند.برای ساخت شبکه‌های عصبی مصنوعی، ابتدا با طراحی معماری شبکه شروع می‌کنید: نحوه اتصال اجزای مختلف شبکه به یک دیگر. سپس، هدفِ یاد گیری برای معماری را تعریف می‌کنید، مانند این که "یاد بگیرید که آن چه را که می‌خواهید در آینده ببینید" را پیش بینی کنید. با توجه به توانایی شبکه‌های عصبی مصنوعی مدرن برای حل مشکلات پیچیده، چارچوبی برای علوم عصبی سیستم‌هایی که توسط بینش‌های یادگیری ماشین هدایت می‌شوند ممکن است اسرار ارزشمندی در باره مغز انسان را فاش کند. سپس، شما یک قاعده را تعریف می‌کنید که به شبکه می‌گوید چگونه برای دستیابی به آن هدف با استفاده از داده‌های دریافت شده، تغییر کند.
آن چه که انجام نمی‌دهید این است که چگونه هر نورون در شبکه قرار است عمل بکند. شما آن را به شبکه واگذار می‌کنید تا تعیین کند که چگونه هر نورون باید به بهترین شکل ممکن کار کند. من معتقدم که رشد مغز احتمالاً محصول یک فرآیند مشابه است، چه در یک مقیاس زمانی تکاملی و چه در بازه زمانی یاد گیری یک فرد در طول زندگی‌اش.
تصویر: دانشمندان علوم اعصاب نواحی مختلف مغز را ترسیم کرده‌اند، اما نحوه محاسبه مغز همچنان یک رمز و راز است. (Shutterstock)
تعیین نقش‌های نورون
این مسئله، سودمندی و فایده تلاش برای تعیین کارکردهای نورون‌های فردی در مغز را زیر سؤال می‌برد، وقتی ممکن است که این سلول‌های عصبی نتیجه یک فرایند بهینه سازی درست مانند آنچه در شبکه‌های عصبی مصنوعی می‌بینیم باشد.غالباً درک مؤلفه‌های مختلف شبکه‌های عصبی مصنوعی بسیار سخت است. هیچ توضیح ساده‌ی ریاضی یا کلامی وجود ندارد که دقیقاً آنچه را که مغز انجام می‌دهد توضیح دهد.
در مقاله ما، ما پیشنهاد می‌کنیم که همین مورد مربوط به شبکه‌های عصبی مصنوعی در مورد مغز نیز صادق باشد، از این رو باید از تلاش برای درک نقش هر نورون در مغز فاصله بگیریم و در عوض به معماری مغز نگاه کنیم، یعنی به ساختار شبکه آن؛ و به اهداف بهینه سازی، یا در بازه زمانی تکاملی یا در طول عمر شخص؛ و به قوانینی که مغز خود را به روز می‌کند - چه در طول نسل و چه در طول عمر - تا به آن اهداف برسد. با تعریف این سه مؤلفه، ممکن است درک بیشتری از نحوه عملکرد مغز نسبت به تلاش برای بیان آن چه که هر نورون انجام می دهد، داشته باشیم.
چارچوب‌های بهینه سازی شده
یکی از کاربردهای موفق این رویکرد نشان داده است که نورون‌های آزاد کننده دوپامین در مغز به نظر می‌رسد اطلاعات مربوط به پاداش‌های غیر منتظره را رمز گذاری می‌کنند، به عنوان مثال تحویل غیر منتظره برخی از مواد غذایی را. این نوع سیگنال که خطای پیش بینی پاداش نامیده می‌شود، اغلب برای آموزش شبکه‌های عصبی مصنوعی برای به حد اکثر رساندن پاداشی که دریافت می‌کنند استفاده می‌شود.به عنوان مثال، با برنامه نویسی یک شبکه عصبی مصنوعی برای تفسیر امتیازهای دریافت شده در یک بازی ویدیویی به عنوان پاداش، می‌توانید از خطاهای پیش بینی پاداش برای آموزش شبکه در مورد نحوه اجرای بازی ویدیویی استفاده کنید. در مغز واقعی، مانند شبکه‌های عصبی مصنوعی، حتی اگر متوجه نشویم که هر سیگنال جداگانه چیست، می‌توانیم نقش این نورون‌ها و سلول‌های عصبی را که در رابطه با هدف یاد گیری، حداکثر پاداش‌ها را دریافت می‌کنند، درک کنیم.
تصویر: اختلالات عصبی دومین گروه اصلی مرگ و میر در جهان است. شبکه‌های عصبی مصنوعی ممکن است به درک علل آنها کمک کنند. (Shutterstock)
در حالی که تئوری‌های فعلی در علوم اعصاب سیستم‌ها زیبا و بصیرت بخش هستند، من معتقدم یک چارچوب منسجم ایجاد شده، به نحوی که تکامل و یاد گیری مغز ما را شکل می‌دهد، می‌تواند بخش‌های خالی زیادی را که ما با آنها دست و پنجه نرم کرده‌ایم، پر کند.
برای پیشرفت در علوم عصبی سیستم، کار توصیفی از پایین به بالا انجام می‌شود، مانند رد یابی اتصالات و الگوهای اظهار ژن سلول‌ها در مغز، و کار نظری از بالا به پایین انجام می‌شود، مانند استفاده از شبکه‌های عصبی مصنوعی برای درک اهداف یاد گیری و قواعد یاد گیری.
با توجه به توانایی شبکه‌های عصبی مصنوعی مدرن برای حل مشکلات پیچیده، چارچوبی برای علوم عصبی سیستم‌هایی که توسط بینش‌های یادگیری ماشین هدایت می‌شوند ممکن است اسرار ارزشمندی در باره مغز انسان را فاش کند.
منبع: بلِیک ریچاردز - McGill University
